基于BP神經(jīng)網(wǎng)絡(luò)的城市道路交通事件檢測(cè)

摘 ?要：通過(guò)交通流模型研究了城市道路交通擁擠對(duì)交通參數(shù)的影響，以交通異常事件檢測(cè)為研究目標(biāo)，從交通擁擠對(duì)于交通出行的影響出發(fā);參考BP神經(jīng)網(wǎng)絡(luò)的全局逼近特點(diǎn)，使用NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行交通異常事件檢測(cè)的研究;使用MATLAB進(jìn)行了仿真驗(yàn)證了網(wǎng)絡(luò)的性能，結(jié)果表明NARMA模型改進(jìn)的交通事件檢測(cè)的誤報(bào)率為1.54%、檢測(cè)率為96.92%、平均檢測(cè)時(shí)間為0.42 min，可有效地反映交通事件發(fā)生的本質(zhì)特征。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);城市道路;交通異常;事件檢測(cè)

中圖分類號(hào)：U495;TP183 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2020）13-0061-04

Abstract：This paper studies the impact of urban road traffic congestion on traffic parameters through traffic flow model，and takes the detection of traffic abnormal events as the research object，starting from the impact of traffic congestion on traffic travel;referring to the global approximation characteristics of BP neural network，this paper uses the improved BP neural network algorithm of NARMA model to detect traffic abnormal events;the performance of the network is verified by MATLAB simulation. The results show that the false alarm rate of traffic incident detection improved by NARMA model is 1.54%，the detection rate is 96.92%，and the average detection time is 0.42 min，which can effectively reflect the essential characteristics of traffic events.

Keywords：BP neural network;urban road;traffic anomaly;event detection

0 ?引 ?言

智能交通系統(tǒng)（ITS）是依托現(xiàn)代科技發(fā)展而來(lái)實(shí)現(xiàn)交通管理和規(guī)劃的重要技術(shù)。交通事件檢測(cè)是ITS系統(tǒng)中的重要組成部分和重點(diǎn)研究?jī)?nèi)容，其以傳感器技術(shù)、計(jì)算機(jī)技術(shù)、通信技術(shù)、模式識(shí)別技術(shù)和人工智能技術(shù)等為基礎(chǔ)，實(shí)現(xiàn)獲得道路通行狀況[1]，如交通量（q）、交通密度（k）、車速（v）等重要交通參數(shù)，以此實(shí)現(xiàn)道路交通狀況檢測(cè)與預(yù)測(cè)，避免城市道路交通擁堵事件的產(chǎn)生，或者控制路段的交通事故事態(tài)的擴(kuò)大，以此實(shí)現(xiàn)人、車以及路和諧的城市交通目標(biāo)。

目前，在城市道路交通事件檢測(cè)中，國(guó)內(nèi)外使用了不同的方法進(jìn)行了深入的研究和探討。筆者基于交通運(yùn)輸專業(yè)的“交通工程學(xué)”“智能交通系統(tǒng)及技術(shù)”課程理論，對(duì)伯克利算法、多目標(biāo)事件檢測(cè)算法（APID）、模式識(shí)別算法（PATREG）等、指數(shù)平滑算法、貝葉斯（Bayesian）算法、Boosting算法、模糊邏輯算法和Logit模型算法等[2]進(jìn)行了研究，發(fā)現(xiàn)上述算法優(yōu)勢(shì)實(shí)現(xiàn)交通異常事件監(jiān)測(cè)，雖然監(jiān)測(cè)效果相對(duì)較好，但誤報(bào)率無(wú)法達(dá)到令人滿意的程度。因此針對(duì)上述存在的問(wèn)題，嘗試用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行交通事件檢測(cè)，并進(jìn)行性能指標(biāo)的比較，以期減少誤報(bào)。

1 ?智能交通系統(tǒng)及交通事件的檢測(cè)

交通事件檢測(cè)是ITS技術(shù)的重要應(yīng)用，其主要的目的和出發(fā)點(diǎn)在于獲得道路通行的交通狀況，及時(shí)、準(zhǔn)確地判斷或者預(yù)測(cè)交通異常事件的發(fā)生;進(jìn)而使得道路交通管理部門能夠及時(shí)準(zhǔn)確地發(fā)出預(yù)警信息或者處理交通事件，以此實(shí)現(xiàn)減少道路交通事件，保障交通出行安全，提高道路車流的正常行駛速度，使其具有較高的通過(guò)能力[3]。對(duì)交通異常事件可以依據(jù)交通密度（k）、車速（v）、交通量（q）三個(gè)參數(shù)進(jìn)行判斷，具體判斷依據(jù)如表1所示。

2 ?BP神經(jīng)網(wǎng)絡(luò)在交通事件檢測(cè)中的應(yīng)用

2.1 ?BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)算法由三個(gè)層次組成，分別為輸入層、隱層和輸出層，每次有若干節(jié)點(diǎn)（神經(jīng)元）;運(yùn)算的目的是將數(shù)據(jù)訓(xùn)練的輸入/輸出的映射轉(zhuǎn)化為非線性優(yōu)化求解，實(shí)現(xiàn)網(wǎng)絡(luò)輸出與期望輸出間的均方誤差最小化[4]。每一層所屬節(jié)點(diǎn)之間相互獨(dú)立，層節(jié)點(diǎn)與相鄰層節(jié)點(diǎn)之間以連接?。ㄙx有權(quán)值，表示影響程度）連接，算法由兩個(gè)過(guò)程組成：

第一步，正向計(jì)算求誤差函數(shù)。進(jìn)行訓(xùn)練數(shù)據(jù)，輸入層經(jīng)逐層處理傳向輸出層，據(jù)計(jì)算結(jié)果和模型識(shí)別修改各連接權(quán)值。假定轉(zhuǎn)移函數(shù)為S（Sigmoid）型函數(shù)f（x）=，設(shè)網(wǎng)絡(luò)權(quán)值為（wij，Tli），神經(jīng)網(wǎng)絡(luò)層數(shù)N，輸入層節(jié)點(diǎn)為xj，隱層節(jié)點(diǎn)為yi，輸出層節(jié)點(diǎn)為oi，閾值為θ，期望輸出為ti，誤差為E，計(jì)算公式如下：

2.2 ?基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)算法在數(shù)據(jù)處理過(guò)程中，隨著數(shù)據(jù)量的增大，其運(yùn)算存在收斂速度慢，同時(shí)當(dāng)算法模型的參數(shù)出現(xiàn)不適會(huì)產(chǎn)生振蕩等問(wèn)題。對(duì)于城市交通系統(tǒng)的交通流宏觀模型，是隨著時(shí)間變化的動(dòng)態(tài)遞歸的模型，交通系統(tǒng)的交通流的后一個(gè)時(shí)刻狀態(tài)與前一個(gè)時(shí)刻狀態(tài)有關(guān)，也就是說(shuō)其受到前一時(shí)刻的狀態(tài)所制約[5]。因此，使用BP神經(jīng)網(wǎng)絡(luò)建模進(jìn)行城市道路交通以此事件檢測(cè)時(shí)，應(yīng)該充分考慮交通流動(dòng)態(tài)變化問(wèn)題，這里利用NARMA模型（非線性自回歸滑動(dòng)平均模型）實(shí)現(xiàn)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，利用BP神經(jīng)網(wǎng)絡(luò)逼近上述差分方程中的未知非線性函數(shù)。其NARMA模型可以表示為：

根據(jù)以上分析，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行交通事件檢測(cè)作出修改，將BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的輸出、車流密度和速度反饋至輸入端，作為交通事件檢測(cè)模型輸入向量的一部分。在建立基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法模型時(shí)，取N=3，其算法模型如圖2所示。

3 ?交通事件檢測(cè)系統(tǒng)及仿真

3.1 ?數(shù)據(jù)的選取與處理

城市公路交通異常事件檢測(cè)研究中，建立MATLAB仿真模型利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)建立交通流狀態(tài)估計(jì)模型，為檢測(cè)模型的性能，具體為三個(gè)數(shù)據(jù)類型：交通量（q）、交通密度（k）、車速（v）。得出仿真結(jié)果與道路現(xiàn)場(chǎng)布設(shè)的車輛檢測(cè)器測(cè)得數(shù)據(jù)信息進(jìn)行比較，產(chǎn)生殘差并以此作為判斷交通擁堵事件是否發(fā)生的依據(jù)。城市公路交通異常事件檢測(cè)研究采用的數(shù)據(jù)來(lái)源于相關(guān)文獻(xiàn)及模擬的交通流數(shù)據(jù)。具體如表2所示。

對(duì)于采集到的道路交通數(shù)據(jù)信息經(jīng)過(guò)濾波及調(diào)整后，為了進(jìn)行NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法研究，需進(jìn)行數(shù)據(jù)歸一化處理，將得到模擬量數(shù)據(jù)信息歸一化為[0，1]區(qū)間，歸一化處理的公式如下：

3.2 ?模型仿真

構(gòu)建的基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法，以此實(shí)現(xiàn)城市公路交通異常事件檢測(cè)模型，如圖3所示，算法模型的輸入與交通事件檢測(cè)路段的數(shù)量有關(guān)，當(dāng)路段數(shù)過(guò)多則算法模型的輸入量會(huì)增加，致使網(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜、運(yùn)算量增量。因此，選取一路段作為樣本。根據(jù)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法、基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法兩個(gè)算法模塊的檢測(cè)判斷事件發(fā)生與否，并比較說(shuō)明改進(jìn)算法的優(yōu)點(diǎn)。

3.3 ?仿真結(jié)果分析

為了驗(yàn)證NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法效果，利用MATLAB仿真進(jìn)行仿真實(shí)驗(yàn)。設(shè)基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法的輸出函數(shù)為logsig函數(shù)，整個(gè)網(wǎng)絡(luò)的輸出是（0，1）的連續(xù)量，通過(guò)判決門限0.5區(qū)分兩類模式。學(xué)習(xí)速率η=0.01，最大訓(xùn)練步數(shù)Nmax=300，可接受訓(xùn)練誤差ε=0.000 01。網(wǎng)絡(luò)學(xué)習(xí)曲線當(dāng)N=194次迭代時(shí)，誤差ε達(dá)到精度期望要求，訓(xùn)練誤差曲線如圖4所示。

通過(guò)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法與基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法兩種算法的驗(yàn)證誤差對(duì)比曲線進(jìn)行分析，如圖5所示。其可以清晰地看到，誤差≥|0.5|點(diǎn)少，證明基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法的事件檢測(cè)的網(wǎng)絡(luò)驗(yàn)證誤差少，同時(shí)減少收斂步數(shù)，提高精度。

本文研究交通事件檢測(cè)評(píng)價(jià)指標(biāo)分別為誤報(bào)率（FIR，F(xiàn)alse Identification Rate）、檢測(cè)率（DR，Detection Rate）、平均檢測(cè)時(shí)間（MTTD，Mean Time to Detection）等，具體指標(biāo)對(duì)比如表3所示。

從表3中可以看出基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法的性能指標(biāo)優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的性能指標(biāo)。其誤報(bào)率為1.54%、檢測(cè)率為96.92%、平均檢測(cè)時(shí)間為0.42 min，因此，采用改進(jìn)的算法在交通事件檢測(cè)上的應(yīng)用經(jīng)過(guò)足夠的樣本訓(xùn)練，具有很高的檢測(cè)率和較低的誤報(bào)率。

4 ?結(jié) ?論

交通事件檢測(cè)是城市交通管理和城市規(guī)劃布局發(fā)展的重要基礎(chǔ)。因此，本文針對(duì)交通系統(tǒng)的非線性系統(tǒng)，研究交通擁擠對(duì)交通參數(shù)的影響，建立了一個(gè)城市道路交通流的神經(jīng)網(wǎng)絡(luò)模型，提出利用基于NARMA模型改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法模型檢測(cè)道路交通事件。使用MATLAB仿真驗(yàn)證了改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)來(lái)仿真交通流模型，表明改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法具有檢測(cè)率高、誤報(bào)率低和檢測(cè)速度快，優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的檢測(cè)，能夠?qū)崿F(xiàn)與滿足城市交通管理與發(fā)展的需求。

參考文獻(xiàn)：

[1] 楊世威，王偉，李銳.城市道路交通事故宏觀成因分析 [J].現(xiàn)代交通技術(shù)，2017，14（3）：82-85.

[2] 劉慶華，丁文濤，涂娟娟，等.優(yōu)化BP_AdaBoost算法及其交通事件檢測(cè) [J].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，43（12）：1829-1833.

[3] 姜卉，姜桂艷.基于FA-SVM的高速公路交通事件檢測(cè)方法 [J].北華大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，20（1）：103-108.

[4] 吳琛，程琳.BP小波神經(jīng)網(wǎng)絡(luò)模型及其在交通事件檢測(cè)中的應(yīng)用 [J].中國(guó)交通信息化，2018（3）：137-140.

[5] HOU H. The Application of Blockchain Technology in E-Government in China [C]//2017 26th International Conference on Computer Communication and Networks （ICCCN）. Vancouver，BC，Canada：IEEE，2017：1-5.

作者簡(jiǎn)介：柳妍（1980—），女，漢族，甘肅華亭人，講師，碩士，研究方向：城市規(guī)劃與交通運(yùn)輸。